Algorithmische Biases in Suchmaschinen im Bundestagswahlkampf 2021

Jun. Prof. Dr. Mario Haim1, Dr. Julian Unkel2, Patrick Schwabl, M.A.2


1 Institut für Kommunikations- und Medienwissenschaft, Universität Leipzig
2 Institut für Kommunikationswissenschaft und Medienforschung, LMU München

Projektbeschreibung

Rezeption von Suchmaschinen
Wie nutzen Menschen Suchmaschinen im Rahmen der BTW 2021?

Algorithmische Kuratierung von Suchergebnissen
Wie werden Parteien, Themen und Quellen in den Suchergebnissen repräsentiert? Wie unterscheiden sich diese über verschiedene Suchstrategien der Nutzer:innen hinweg?

Inhalte von Suchergebnissen
Wie sind Parteien und Themen auf den Suchergebnis-Seiten eingebunden und verknüpft? Wie unterscheidet sich dies über verschiedene Suchstrategien der Nutzer:innen hinweg?

Dabei immer: Bundesländer- und Endgeräte-Vergleich
Beispiele: Wie häufig treten die einzelnen Parteien in den Suchergebnissen auf? Entsprechen diese bei der Bundestagswahl anderen sozialen Realitäten (z.B. Mandatsverteilung, Wahlumfragen, Massenmedien)?
Wie unterscheiden sich die Sentiments, die über die einzelnen Parteien auf den Suchergebnis-Seiten transportiert werden?

Quick Facts
Laufzeit: Juli 2021 - Juni 2021, 1.693 Befragte, 32 Server, 71 Queries, täglich etwa 23.000 Suchanfragen und 5.000 URLs

Zielgruppe
Nutzer:innen, Parteien, Politiker:innen, Wissenschaft, Gesetzgeber, Suchmaschinen-Anbieter

Projektteam
Jun. Prof. Dr. Mario Haim, Dr. Julian Unkel, Patrick Schwabl, M.A. Mario Haim Julian Unkel Patrick Schwabl

Relevanz

Gelegenheit: Es fanden gerade erst Wahlen statt

Notwendigkeit: Je knapper der Ausgang, desto größer der Einfluss einer möglichen Verzerrung durch Suchalgorithmen

Neue Rahmenbedingungen: Fortgesetztes Dealignment, kein:e amtierende Kanzler:in, mehrere Nebenwahlen, neue Themen: Pandemie und Klimaschutz, Medienstaatsvertrag, Mobile-Nutzung seit 2019 vor Desktop-Nutzung



Methode

Befragung der Wähler:innen zu deren Suchverhalten
Thematisch und offen gegliedert
Grundlage der Queries im Agent-based testing (ABT)

Web scraping von Google-Suchergebnissen (siehe Screenshot unten) und Volltexten



Qualitativ und Quantitativ
Analyse der Suchergebnis-Seiten und der Volltexte der verlinkten Artikel



Normative Einordnung der Ergebnisse
Vergleich der Google-Suchergebnisse mit anderen sozialen Realitäten

Zwei Beispiele von Suchergebnis-Seiten


(1)

(2)

  • Selbst entwickeltes Computerprogramm zum automatischen googeln von Suchbegriffen (Queries)

    • Nutzt von uns zusammengestellte Liste aus 71 wahlrelevanten Suchbegriffen (siehe Queryformulierung)
    • Speichert Screenshots und Quellcode der Suchergebnis-Seiten in einer Datenbank
    • Speichert die Volltexte der weiterführenden Websiten

Theoretische Perspektiven

  • Breiter informierte Bürger:innen vs. einseitiger informierte Bürger:innen (Pariser 2012; Nikolov et al. 2015):
    Positiver Effekt durch Zugang zu breiter Informationsbasis
    Negativer Effekt durch Filter Bubble

  • Suchmaschinen als neue Gatekeeper, die nicht an normative Prinzipien gebunden sind (Steiner et al. 2020):
    Neue Akteure transportieren Infromationen zu den Wähler:innen

  • Issue ownership (Budge and Farlie 1983; Budge 2015; Petrocik, Benoit, and Hansen 2003; Petrocik 1996):
    Ownership über Kompetenzzuschreibung oder Priorisierung

Queryformulierung

(Bitte reinzoomen)

Forschungslücke

  1. Systematisierung der empirischen Datenerhebung
  2. Wahrscheinlichkeit verzerrter Suchergebnisse bei echten Wahlen
  3. Erwartungen der Wähler:innen bei der Suche nach politischen Informationen in Suchmaschinen
  4. Längsschnittstudien und zeitlicher Aspekt
  5. Inhaltsanalysen der Suchergebnisse

Literatur🔗

Budge, Ian. 2015. “Issue Emphases, Saliency Theory and Issue Ownership: A Historical and Conceptual Analysis.” West European Politics 38 (4): 761–77. https://doi.org/10.1080/01402382.2015.1039374.
Budge, Ian, and Dennis Farlie. 1983. Explaining and Predicting Elections: Issue Effects and Party Strategies in Twenty-Three Democracies. London ; Boston: Allen & Unwin.
Nikolov, Dimitar, Diego F. M. Oliveira, Alessandro Flammini, and Filippo Menczer. 2015. “Measuring Online Social Bubbles.” PeerJ Computer Science 1 (December): e38. https://doi.org/10.7717/peerj-cs.38.
Pariser, Eli. 2012. The Filter Bubble: What the Internet Is Hiding from You. London: Penguin books.
Petrocik, John R. 1996. “Issue Ownership in Presidential Elections, with a 1980 Case Study.” American Journal of Political Science 40 (3): 825. https://doi.org/10.2307/2111797.
Petrocik, John R., William L. Benoit, and Glenn J. Hansen. 2003. “Issue Ownership and Presidential Campaigning, 1952-2000.” Political Science Quarterly 118 (4): 599–626. https://doi.org/10.1002/j.1538-165X.2003.tb00407.x.
Steiner, Miriam, Melanie Magin, Birgit Stark, and Stefan Geiß. 2020. “Seek and You Shall Find? A Content Analysis on the Diversity of Five Search Engines’ Results on Political Queries.” Information, Communication & Society, June, 1–25. https://doi.org/10.1080/1369118X.2020.1776367.